e24085 배경: 돌발암통증(Breakthrough cancer pain, BTcP)은 비교적 잘 조절된 기저 통증의 배경 위에서 발생하는 일과성 통증의 악화로, 암 통증 관리에서 어려운 임상적 문제이다. 본 연구에서는 BTcP가 환자의 이전에 관찰된 양상에 따라 예측 가능할 것이라고 가정하였다. 본 연구에서는 암 환자의 시간당 개인 수준 돌발 통증을 예측하는 심층학습 모델의 개발에 대해 보고한다. 방법: 본 연구에서 BTcP는 수치평가척도(numerical rating scale, NRS) 점수가 4 이상인 통증으로 정의하였으며, 시간 해상도 1시간으로 BTcP의 발현 시간을 예측하는 모델을 개발하였다. 입원 기간 동안 NRS 점수 기록이 20건 이상인 데이터셋을 본 연구에 포함하였다. 모든 통증 기록은 2016년 7월부터 2020년 2월까지 삼성서울병원에서 혈액종양내과 병동에 입원한 환자에서 수집되었다. 모델은 3일의 시간 창을 사용하여 향후 24시간 동안의 NRS 점수를 예측하였다. 불규칙적인 통증 양상을 반영하기 위해, 이전 3일로부터 24시간 동안의 평균 통증 양상의 시퀀스를 생성하여 정규화에 사용하였다. 양방향 장단기기억(Bi-directional long-short term memory, LSTM) 기반 심층학습 모델을 학습하였다. 모델은 데이터셋의 20%를 사용한 홀드아웃(holdout) 방법으로 검증하였다. 성능 평가는 수신자 조작 특성 곡선(receiver operating characteristic curve)의 곡선하 면적(Area under the receiver operating characteristic curve, AUROC)과 정밀도-재현율 곡선(precision-recall curve)의 곡선하 면적(AURPC)으로 평가하였다. 결과: 분석에는 고형암 환자 2,176명에서 2,905회의 입원 기록과 혈액암 환자 1,082명에서 1,755회의 입원 기록이 포함되었다. 중간 연령은 57세(사분위범위, IQR 47-64)였으며, 가장 흔한 암의 유형은 폐암(18.0%)이었다. 대부분의 환자는 4기(60.7%)였다. 전체 데이터셋의 환자 시간 103,948시간 중 1,091시간(4.7%)이 BTcP 기간으로 라벨링되었다. 환자들은 하루당 NRS 점수는 중간값 3점(IQR, 2.0-4.5), BTcP는 중간값 1.1점(IQR, 0.5-2.0)으로 기록을 보유하였다. 약 20%의 환자(입원 932회, 환자 653명)를 홀드아웃 테스트 데이터셋에 할당하였다. 본 모델은 테스트 데이터셋에서 BTcP 예측을 위한 AUROC 0.719 및 AUPRC 0.680을 보였다. 결론: 본 연구는 심층학습 모델을 사용하여 암 통증을 예측할 수 있음을 보여주었다. 탐색적 연구로서 일반화의 한계가 있음에도 불구하고, 향후 필요로 되는 하위집단 분석 및 검증 연구를 통해 본 모델의 실제 임상 적용 가능성을 높일 수 있을 것이다.